CN112731370A - 一种考虑输入噪声的高斯过程扩展目标跟踪方法 - Google Patents
一种考虑输入噪声的高斯过程扩展目标跟踪方法 Download PDFInfo
- Publication number
- CN112731370A CN112731370A CN202011409544.5A CN202011409544A CN112731370A CN 112731370 A CN112731370 A CN 112731370A CN 202011409544 A CN202011409544 A CN 202011409544A CN 112731370 A CN112731370 A CN 112731370A
- Authority
- CN
- China
- Prior art keywords
- gaussian process
- gaussian
- input
- covariance
- output
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000005259 measurement Methods 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 5
- 238000004088 simulation Methods 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/66—Radar-tracking systems; Analogous systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种考虑输入噪声的高斯过程扩展目标跟踪方法,本发明先利用测量噪声的协方差与参考点估计协方差对输入的噪声进行建模,对高斯过程的输出进行泰勒展开,使用高斯近似法对高斯过程的输出进行修正,将高斯过程与滤波器结合,对目标状态进行预测更新。本发明可以对目标的扩展状态和运动状态进行同时估计,该方法通过仿真进行了验证。在更为复杂的电磁环境下,也能得到相比于传统基于高斯过程的扩展目标跟踪更精确的轮廓估计效果。
Description
技术领域
本发明属于目标检测跟踪技术领域,涉及一种基于高斯过程的扩展目标跟踪方法(Gaussian Process Extended Target Tracking,GP_ETT)。
背景技术
扩展目标跟踪(Extended Target Tracking,ETT)技术是指随着高分辨力传感器技术的快速发展,在单帧内,运动目标上多个观测点可提供多个测量,称为扩展目标,通过高分辨力传感器接收的多个测量,可对扩展目标的扩展状态,如形状,大小进行跟踪估计。相比与传统的点目标跟踪只能对目标的运动状态进行估计。扩展目标跟踪能够提供更丰富精确的目标信息,有利于目标的识别和跟踪。在军事和民用领域具有广阔的应用前景。
传统的以高斯过程为模型的扩展目标跟踪大多采用星凸模型,以轮廓上的点和参考点之间的连线和水平方向的夹角作为高斯过程的输入,该输入由测量与参考点的估计位置直接确定。之前大多数研究都将输入假设为一个精确的输入。但在实际应用中,测量和参考点的估计位置都含有误差,在较为恶劣的环境中,这种误差往往是不可避免的。本发明提出了一种考虑输入噪声的高斯过程的扩展目标跟踪(Noise Input Gaussian ProcessExtended Target Tracking,NIGP-ETT)。该发明对高斯过程输入的噪声进行建模,并通过高斯近似法对高斯过程的输出进行修正,在复杂电磁环境下,提高了扩展目标轮廓的估计精度。
发明内容
本发明的目的是针对现有技术的不足,提出了一种基于噪声输入高斯过程的扩展目标跟踪方法,包括以下步骤:
步骤(2):根据所求的高斯过程输入的噪声分布υk,推导出相应的高斯过程输出;使用高斯近似法对高斯过程的输出进行估计;
高斯近似法通过对高斯输出f(θ)的二阶泰勒展开式来估计输出的均值和协方差;
扩展目标轮廓状态的高斯过程模型f(θ)写为
其中GP(.)表示高斯过程,σr表示高斯过程的超参数,k(θ,θ')表示高斯过程的核函数,θ表示高斯过程的训练输入,其对应的训练输出为y;
在高斯过程中,考虑到高斯过程输入的不确定性,对高斯过程输出的均值和协方差函数进行修正,改编后的输出与输入公式写为:
其中Tr为求矩阵的迹,Σ表示输入噪声协方差,μGP(θ)和νGP(θ)分别代表传统的高斯过程输出的均值和协方差函数;μGP″(θ)为该函数的二阶导数;μGP(θ)和νGP(θ)表达式为:
μGP(θ)=k(θ,θ')Τk(θ',θ')-1y (5)
νGP(θ)=k(θ,θ)-k(θ,θ')Τk(θ',θ')-1k(θ,θ') (6)
步骤(3):将高斯过程模型与滤波器相结合对目标状态进行预测和更新,达到对目标的形状大小以及运动状态进行同时跟踪。
作为优选,所述的根据误差传递理论,建立关于高斯输入的噪声分布;具体为:
首先基于高斯过程模型,求得高斯过程输入的表达式,通过各个分量的分布,求得高斯输入的噪声分布,求得各个当前测量对应的预测测量噪声协方差和预测轮廓测量噪声协方差,公式如下:
其中表示k时刻的测量位置,由高分辨率雷达所探测所得,高分辨率雷达在单帧内获得多个测量;为k时刻目标的预测中心位置;为高斯过程的输入,为测量位置与预测中心位置之间的夹角,它的值只与测量位置和预测中心位置的分布相关;
测量位置和预测中心位置的分布记作:
zk=h(Xk)+ωk,ωk~N(0,Rk) (8)
其中:
通过上述步骤可以对目标的扩展状态和运动状态进行同时估计,该方法通过仿真进行了验证。在更为复杂的电磁环境下,也能得到相比于传统基于高斯过程的扩展目标跟踪更精确的轮廓估计效果。
附图说明
图1为扩展目标跟踪效果图。
具体实施方式
以下结合附图1对本发明方法原理进行详细说明。
步骤(1):首先根据误差传递理论,建立关于高斯输入的噪声分布。
首先基于高斯过程模型,求得高斯输入的表达式,通过各个分量的分布,求得高斯输入的噪声分布求得各个当前测量对应的预测测量噪声协方差和预测轮廓测量噪声协方差,公式如下:
zk=h(Xk)+ωk,ωk~N(0,Rk) (2)
其中:
步骤(2):根据所求的高斯过程输入的噪声分布υk,推导出相应的高斯过程输出。本专利使用高斯近似法对高斯过程的输出进行估计。
在高斯过程中,考虑到高斯过程输入的不确定性,对高斯过程输出的均值和协方差函数进行修正,改编后的输出与输入公式写为:
其中Tr为求矩阵的迹,μGP(θ)和νGP(θ)分别代表传统的高斯过程输出的均值和协方差函数。μGP″(θ)意为该函数的二阶导数。μGP(θ)和νGP(θ)表达式为:
μGP(θ)=k(θ,θ')Τk(θ',θ')-1r (12)
νGP(θ)=k(θ,θ)-k(θ,θ')Τk(θ',θ')-1k(θ,θ') (13)
步骤(3):将高斯过程模型与滤波器相结合对目标状态进行预测和更新,达到对目标的形状大小以及运动状态进行同时跟踪。
本发明适用于对输入含有噪声的扩展目标跟踪,图1表示该算法对扩展目标进行跟踪的效果,该算法能够在噪声较大的情况下取得更好的轮廓估计效果,提高了该算法的适用场景及跟踪性能,在目标跟踪领域具有重要的使用价值。
Claims (2)
1.一种考虑输入噪声的高斯过程扩展目标跟踪方法,其特征在于,该方法具体包括以下步骤:
步骤(2):根据所求的高斯过程输入的噪声分布υk,推导出相应的高斯过程输出;使用高斯近似法对高斯过程的输出进行估计;
高斯近似法通过对高斯输出f(θ)的二阶泰勒展开式来估计输出的均值和协方差;
扩展目标轮廓状态的高斯过程模型f(θ)写为
其中GP(.)表示高斯过程,σr表示高斯过程的超参数,k(θ,θ')表示高斯过程的核函数,θ表示高斯过程的训练输入,其对应的训练输出为y;
在高斯过程中,考虑到高斯过程输入的不确定性,对高斯过程输出的均值和协方差函数进行修正,改编后的输出与输入公式写为:
其中Tr为求矩阵的迹,Σ表示输入噪声协方差,μGP(θ)和νGP(θ)分别代表传统的高斯过程输出的均值和协方差函数;μGP”(θ)为该函数的二阶导数;μGP(θ)和νGP(θ)表达式为:
μGP(θ)=k(θ,θ')Τk(θ',θ')-1r (5)
νGP(θ)=k(θ,θ)-k(θ,θ')Τk(θ',θ')-1k(θ,θ') (6)
步骤(3):将高斯过程模型与滤波器相结合对目标状态进行预测和更新,达到对目标的形状大小以及运动状态进行同时跟踪。
2.根据权利要求1所述的一种考虑输入噪声的高斯过程扩展目标跟踪方法,其特征在于:所述的根据误差传递理论,建立关于高斯输入的噪声分布;具体为:
首先基于高斯过程模型,求得高斯过程输入的表达式,通过各个分量的分布,求得高斯输入的噪声分布,求得各个当前测量对应的预测测量噪声协方差和预测轮廓测量噪声协方差,公式如下:
其中表示k时刻的测量位置,由高分辨率雷达所探测所得,高分辨率雷达在单帧内获得多个测量;为k时刻目标的预测中心位置;为高斯过程的输入,为测量位置与预测中心位置之间的夹角,它的值只与测量位置和预测中心位置的分布相关;
测量位置和预测中心位置的分布记作:
zk=h(Xk)+ωk,ωk~N(0,Rk) (8)
其中:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011409544.5A CN112731370B (zh) | 2020-12-04 | 2020-12-04 | 一种考虑输入噪声的高斯过程扩展目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011409544.5A CN112731370B (zh) | 2020-12-04 | 2020-12-04 | 一种考虑输入噪声的高斯过程扩展目标跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112731370A true CN112731370A (zh) | 2021-04-30 |
CN112731370B CN112731370B (zh) | 2024-04-12 |
Family
ID=75599172
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011409544.5A Active CN112731370B (zh) | 2020-12-04 | 2020-12-04 | 一种考虑输入噪声的高斯过程扩展目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112731370B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005165791A (ja) * | 2003-12-03 | 2005-06-23 | Fuji Xerox Co Ltd | 対象物の追跡方法及び追跡システム |
CN108734725A (zh) * | 2018-04-11 | 2018-11-02 | 杭州电子科技大学 | 基于高斯过程的概率数据关联滤波扩展目标跟踪方法 |
CN109633590A (zh) * | 2019-01-08 | 2019-04-16 | 杭州电子科技大学 | 基于gp-vsmm-jpda的扩展目标跟踪方法 |
CN111274529A (zh) * | 2020-02-19 | 2020-06-12 | 江苏理工学院 | 一种鲁棒的高斯逆威沙特phd多扩展目标跟踪算法 |
-
2020
- 2020-12-04 CN CN202011409544.5A patent/CN112731370B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005165791A (ja) * | 2003-12-03 | 2005-06-23 | Fuji Xerox Co Ltd | 対象物の追跡方法及び追跡システム |
CN108734725A (zh) * | 2018-04-11 | 2018-11-02 | 杭州电子科技大学 | 基于高斯过程的概率数据关联滤波扩展目标跟踪方法 |
CN109633590A (zh) * | 2019-01-08 | 2019-04-16 | 杭州电子科技大学 | 基于gp-vsmm-jpda的扩展目标跟踪方法 |
CN111274529A (zh) * | 2020-02-19 | 2020-06-12 | 江苏理工学院 | 一种鲁棒的高斯逆威沙特phd多扩展目标跟踪算法 |
Also Published As
Publication number | Publication date |
---|---|
CN112731370B (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111985093B (zh) | 一种带噪声估计器的自适应无迹卡尔曼滤波状态估计方法 | |
CN106950562B (zh) | 一种基于预测值量测转换的状态融合目标跟踪方法 | |
CN108896986A (zh) | 一种基于预测值的量测转换序贯滤波机动目标跟踪方法 | |
CN108734725B (zh) | 基于高斯过程的概率数据关联滤波扩展目标跟踪方法 | |
CN101221238B (zh) | 基于高斯均值移动配准的动态偏差估计方法 | |
CN111722214B (zh) | 雷达多目标跟踪phd实现方法 | |
CN109186601A (zh) | 一种基于自适应无迹卡尔曼滤波的激光slam算法 | |
CN111795686A (zh) | 一种移动机器人定位与建图的方法 | |
CN108319570B (zh) | 一种异步多传感器空时偏差联合估计与补偿方法及装置 | |
CN104820996A (zh) | 一种基于视频的自适应分块的目标跟踪方法 | |
CN110503071A (zh) | 基于变分贝叶斯标签多伯努利叠加模型的多目标跟踪方法 | |
CN110231620B (zh) | 一种噪声相关系统跟踪滤波方法 | |
CN110595479B (zh) | 一种基于icp算法的slam轨迹评估方法 | |
CN111504318B (zh) | 一种基于多磁偶极子反演的海洋导航辅助方法 | |
CN109458994B (zh) | 一种空间非合作目标激光点云icp位姿匹配正确性判别方法及系统 | |
CN116500575B (zh) | 一种基于变分贝叶斯理论的扩展目标跟踪方法和装置 | |
CN115731268A (zh) | 基于视觉/毫米波雷达信息融合的无人机多目标跟踪方法 | |
CN110738275A (zh) | 基于ut-phd的多传感器序贯融合跟踪方法 | |
CN113344970B (zh) | 基于多伯努利的非规则多扩展目标联合跟踪与分类方法 | |
CN109509207B (zh) | 一种对点目标和扩展目标进行无缝跟踪的方法 | |
CN104091352A (zh) | 基于结构相似度的视觉跟踪方法 | |
CN111274529B (zh) | 一种鲁棒的高斯逆威沙特phd多扩展目标跟踪算法 | |
CN108761384A (zh) | 一种抗差的传感器网络目标定位方法 | |
CN116224320B (zh) | 一种极坐标系下处理多普勒量测的雷达目标跟踪方法 | |
CN109164419B (zh) | 基于交互式多模型的多平台无序量测处理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Guo Yunfei Inventor after: Ren Lei Inventor before: Ren Lei Inventor before: Guo Yunfei |
|
GR01 | Patent grant | ||
GR01 | Patent grant |